AI 機械学習 のおすすめの教材8選！ 【 2024年11月 最新版】

みんなのAI講座は、誰に対しても開かれた人工知能、機械学習の講座です。プログラミングや数学の事前知識はほとんど必要ありません。

難解な数式やプログラミングが学習の妨げであった方でも、問題なく学習できます。

文系や非エンジニアの方にもお勧めです。

Udemyの受講生数が数万人に及ぶ経験豊富な講師が指導します。

本コースでは、人工知能技術全般の解説を行いますが、実際にを書くのは主に機械学習のコードです。

機械学習のコードは、人工知能の分野で最もメジャーなプログラミング言語、Pythonで記述します。

開発には、Google Colaboratoryという開発環境を使います。これにより、初心者の方が躓きやすい環境設定が大幅に楽になります。ターミナルなどのコマンドラインを開く必要はありません。

データの分類や、文字認識、株価分析などの実践も行います。

その他コースの特徴は、以下通りです。

- 理論よりも体験を、手を動かすことを重視します。

- 可能な限り、簡単な数学を用いて解説します。

- 必要な数学はグラフィカル、直感的に解説します。

- ニューラルネットや機械学習などの難しい概念は、細かく分解して少しずつ学習します

- プログラミング初心者、未経験者でも大丈夫です。プログラミング言語Pythonを基礎から勉強します。

- 機械学習の基礎が身につきます。機械学習のコードを一から実装します。既存の有名ライブラリの解説も行います。

なお、大学レベル以上の数学や、機械学習の深い理論の解説は行いませんのでご注意ください。

ディープラーニングに関しては、概念のみの解説となります。

2021.4.26 Section2、Section7にレクチャーが追加されました。

2022.1.27 Section8にレクチャーが追加されました。

2023.1.10 Section7、Section8にレクチャーが追加されました。

2024.1.25 Section8にレクチャーが追加されました。

1. 人工知能の概要と開発環境
2. 教材の使い方について
3. イントロダクション
4. 講座の概要
5. 人工知能の概要
6. Pythonの概要
7. 学習の心構え
8. 開発環境について
9. 演習: 人工知能の概要と開発環境
10. 質疑応答: 人工知能の概要と開発環境
11. Pythonの基礎
12. セクション2の教材
13. セクション2の概要
14. Pythonの基礎1
15. Pythonの基礎2 PART1
16. Pythonの基礎2 PART2
17. Pythonの基礎3 PART1
18. Pythonの基礎3 PART2
19. Pythonの基礎4（2021.4.26追加）
20. 演習: Pythonの基礎
21. 質疑応答: Pythonの基礎
22. 必要な数学の学習
23. セクション3の教材
24. セクション3の概要
25. 関数の描画
26. べき乗とネイピア数
27. シグモイド関数
28. 演習: 必要な数学の学習
29. 質疑応答: 必要な数学の学習
30. ニューラルネットワーク
31. セクション4の教材
32. セクション4の概要
33. ニューラルネットワークの概要
34. 単一ニューロンの実装
35. 外部データの導入
36. ニューラルネットワークの実装
37. 演習: ニューラルネットワーク
38. 質疑応答: ニューラルネットワーク
39. 機械学習
40. セクション5の教材
41. セクション5の概要
42. 学習の仕組み
43. 出力層の学習
44. 中間層の学習
45. 演習: 機械学習
46. 質疑応答: 機械学習
47. 機械学習ライブラリの活用
48. セクション6の教材
49. セクション6の概要
50. scikit-learnの概要
51. 手書き文字認識
52. 株価の予測
53. 演習: 機械学習ライブラリの活用
54. 質疑応答: 機械学習ライブラリの活用
55. さらに学ぶために
56. セクション7の教材
57. セクション7の概要
58. 機械学習ライブラリの紹介
59. 数学の活用
60. 発展技術の解説
61. CPUとGPU（2021.4.26追加）
62. AIを利用したサービス（2021.4.26追加）
63. Generative AIの躍進（2023.1.10追加）
64. 人工知能の未来
65. 質疑応答: さらに学ぶために
66. 付録
67. 「付録」について（2022.1.27追加）
68. 内包表記（2022.1.27追加）
69. 無名関数とコールバック（2022.1.27追加）
70. LaTeXによる数式の記述（2023.1.10追加）
71. AIの最新動向 2024年版 前編（2024.1.25追加）
72. AIの最新動向 2024年版 後編（2024.1.25追加）
73. ボーナスレクチャー
74. ボーナスレクチャー

データ分析や機械学習の分野において、正しく因果関係を理解し、データに基づく意思決定を行うことが年々重要になってきました。このような学問分野は因果推論と呼ばれ、近年注目され始めています。

しかし、データから因果関係を知ろうとすると、そこにはさまざまなトラップが潜んでおり、正しく推定することが難しく、誤った結論につながってしまうことがあります。

そこで本コースでは、因果推論の理論を学びながらPythonを使って実践することで、データから効果を推定する手法を学んでいきます。

コースの概要:

1. イントロと擬似相関
   データの見方と相関関係が生まれてしまう状況を紹介します。
   

2. d分離
   因果関係の特定において、変数を特定するためにd分離は重要なツールとなります。因果効果の正確な推定に向けたd分離法やざっと学びます。PythonのDoWhyパッケージを用いて演習します。
   

3. 傾向スコアとIPW
   傾向スコアの定義と、逆確率重み付け（Inverse Probability Weighting、IPW）を使用した、因果効果の推論手法を学びます。これにより、観測データの偏りを補正し、より正確な因果関係の推定が可能になります。PythonのDoWhyパッケージを用いて演習します。
   

4. Meta-learners
   Meta-Learnersという手法を使用して、因果効果を推定する手法を学びます。EconMLというPythonパッケージを用いて、S-Learner, T-Learner, X-Learnerを実装します。
   

5. アップリフトモデリング
   顧客の行動や意思決定に対する効果を評価するための手法としてアップリフトモデリングを学びます。個々の特性に応じた効果を推定するためのスキルを習得します。

対象と前提知識

本コースは、データサイエンティストやアナリスト、マーケターなど、データを活用する方に向けて作られています。

Pythonの基本的な知識や機械学習の基本的な理解があるとよいですが、必須ではありません。

1. コース紹介
2. コース紹介
3. サンプルデータダウンロード
4. コース準備レクチャー
5. イントロダクション
6. バイアス
7. 擬似相関
8. 交絡とは
9. 合流点で選抜
10. 因果ダイアグラム
11. 最終的に計算したいもの
12. ATE, ATT, ATU, CATE
13. 介入と因果ダイアグラム
14. 因果推論の用語まとめ
15. d分離
16. d分離とは
17. バックドアパスとバックドア基準
18. d分離の例
19. d分離の例題をやってみよう
20. DoWhyライブラリを使った演習の説明
21. 演習：DoWhyライブラリの使い方①
22. 演習：DoWhyライブラリの使い方②
23. 演習：d分離①
24. 演習：d分離②
25. 傾向スコアを用いた効果推定
26. 傾向スコア
27. 逆確率重み付き推定法（IPW）
28. （参考）回帰分析による効果推定
29. IPW①
30. 演習：IPW②
31. Meta-Learners
32. IPWからMeta-Learnersへ
33. Meta-Learnersの概要
34. S-Learner
35. 演習：使用するデータの読み込みと確認
36. 演習：DAGの作成とIPW
37. 演習：S-Learner
38. T-Learner
39. 演習：T-Learner
40. X-Learner
41. 演習-X-Learner
42. Meta-Learnersの各手法の比較
43. DR-Learner
44. 二重にロバストな推定法（DR法）
45. DR-Learner
46. 演習：DR-Learner
47. アップリフトモデリング
48. アップリフトモデリングとは
49. 介入対象と結果の分類
50. スコアとアップリフト
51. 演習：アップリフトモデリング①
52. 演習：アップリフトモデリング②
53. 演習：アップリフトモデリング③
54. 演習：アップリフトモデリング④
55. 演習：アップリフトモデリング⑤
56. 演習：アップリフトモデリング⑥
57. 終わりに
58. 参考資料

機械学習の基礎をゼロから学べます．学習した理論をPythonでどのように実際のデータに適用できるのかも学習でき，理論x実装の相乗効果で確実に機械学習を習得できます．

(２部構成で本講座は「前編」となっており，主に回帰アルゴリズムを解説しています．)

【特徴】

- 米国で働く現役データサイエンティストから学ぶ

- 実際の現場でどのように使うのかを解説

- 機械学習の事前知識は不要

- 全くの未経験者でも本講座を受講すれば機械学習の基本を理解することができる

- Pythonでの実装も紹介

- 学習したことをすぐに実データに適用可能

- DockerとJupyterLabを使った本格データサイエンス環境 (Dockerを使って簡単環境構築)

- これ1本で理論x実装が同時に，着実に学べる

機械学習の理論とPythonの実装のレクチャーは別になっているため，理論だけを学習することも可能です．そのためPythonを知らなくても本講座で機械学習を学ぶことができます．

Pythonの実装のレクチャーは，Pythonの基礎知識とデータサイエンスに必要なPython(NumpyやPandasなど)の知識が必要です．

Macを使って講義を進めますが，環境が作れればWindowsでも問題ありません．

DockerとJupyterLabを使った本格的なデータサイエンスの環境を使いますが，WindowsでDocker環境を作れれば，全く同じ環境を構築することができます．(Windowsでの環境構築のサポートはしておりません．あらかじめご了承ください)

1. 紹介
2. 紹介
3. 本番編を公開しました
4. 環境準備
5. 本セクションの補足
6. 環境構築概要(Docker+JupyterLab)
7. M1チップをお使いの方へ
8. DockerHubアカウント作成
9. Windowsユーザーへの補足
10. Docker環境構築
11. Dockerの基本操作
12. 次レクチャーの補足
13. JupyterLabの基本操作
14. 線形回帰
15. 本講座の資料
16. 線形回帰とは
17. 最小二乗法
18. 次レクチャー修正
19. 最急降下法(概要)
20. 最急降下法(式変形)
21. 最急降下法実装(step1~3)【Python】
22. 最急降下法実装(step4)【Python】
23. 最急降下法実装(step5)【Python】
24. 最急降下法実装(step6)【Python】
25. 最急降下法の注意点
26. まとめ
27. 正規方程式
28. 線形代数(復習)
29. 正規方程式導出
30. 正規方程式実装【Python】
31. 正規方程式の注意点
32. 線形回帰【Python】
33. まとめ
34. 特徴量スケーリング
35. 特徴量スケーリング概要
36. 標準化
37. 標準化【Python】
38. 正規化
39. 正規化【Python】
40. 特徴量スケーリングの注意点
41. 標準化 vs 正規化
42. まとめ
43. 線形回帰の解釈
44. 線形回帰の係数
45. 統計的仮説検定(復習)
46. 係数の仮説検定(t検定)
47. 係数の仮説検定(t検定)【Python】
48. 係数の仮説検定(F検定)
49. 検定統計量FとF分布
50. t検定とF検定
51. まとめ
52. 質的変数の特徴量
53. one-hot エンコーディング
54. ダミー変数トラップ
55. ダミー変数【Python】
56. 汎化性能と過学習
57. 汎化性能と過学習
58. hold-out
59. hold-out【Python】
60. LOOCV
61. LOOCV【Python】
62. k-Fold CV
63. k-Fold CV【Python】
64. Pipeline(k-FoldCV + 標準化)【Python】
65. Bias-Variance Tradeoff
66. LOOCV vs k-Fold CV
67. まとめ
68. 回帰モデルの精度指標
69. MSEとRMSEとMAE
70. MSEとRMSEとMAE【Python】
71. R-Squared(決定係数)
72. R-Squared(決定係数)【Python】
73. 調整済みR-Squared(補足)
74. まとめ
75. 非線形回帰
76. 非線形回帰概要
77. 多項式特徴量
78. 多項式特徴量【Python】
79. 多項式特徴量と線形回帰【Python】
80. kNN回帰
81. kNN回帰【Python】
82. さまざまなkでkNN回帰【Python】
83. kNNと線形回帰比較
84. まとめ
85. 正則化項
86. 正則化項概要
87. Ridge (L2ノルム)
88. Ridge【Python】
89. さまざまなλでのRidge【Python】
90. Lasso (L1ノルム)
91. Lasso【Python】
92. さまざまなλでのLasso【Python】
93. RidgeとLasso比較
94. 正則化項のもう一つの式
95. まとめ
96. 後編へ続く・・・
97. 後編へ続く・・・
98. ボーナスレクチャー
99. ボーナスレクチャー

『ゴール逆算により圧倒的短時間で習得しよう』

創業から９ヶ月、受講生の総数１０００人を突破している株式会社キカガクの『脱ブラックボックスセミナー』がUdemy用にアレンジして登場！

微分・線形代数といった数学の基礎から、Pythonでの実装まで短時間で習得しましょう。
キカガクこだわりのスタイルである『手書きの数学』『ハンズオン形式のプログラミング』で実際に手を動かしながら学んでいただければ、理解できること間違いなしです。

初級編では機械学習で必要な数学のエッセンスがたくさん詰まっている「単回帰分析」をゴールに、機械学習の考え方、微分、単回帰分析まで一気通貫で解説します。

数学は中学校の復習から始め、Pythonも環境構築・プログラミングの文法から解説しますので、初めての方でも学べる内容となっています。

中級編・上級編とステップアップしながら学ぶことで、データ解析の実務に必要なスキルと考え方が学べる構成となっています。

1. コース紹介
2. コース紹介
3. 概念の紹介
4. 機械学習に必要な数学
5. 人工知能・機械学習・ディープラーニングとは？
6. 機械学習の３大トピック
7. 簡単な機械学習と内挿・外挿
8. 微分
9. 微分は「何」に使えるのか？
10. 微分（導関数）を求めよう１ - 中学編 -
11. 微分（導関数）を求めよう２ - 高校編 -
12. 微分の公式
13. 偏微分
14. 単回帰分析
15. 問題設定 - 部屋の広さから家賃を予測しよう -
16. Step1：「モデル」を決める
17. Step2：「評価関数」を決める
18. Step3：評価関数を「最小化」する
19. Python速習
20. プログラミングの環境構築
21. 変数
22. 基本構文
23. 複数の変数を扱おう
24. 制御構文
25. 関数
26. 単回帰分析の実装
27. Numpy: 数値計算
28. Pandas: データベース操作
29. Matplotlib: グラフの描画
30. 実データに対して単回帰分析を実装しよう
31. ボーナスレクチャー

本コースではPythonによる時系列予測の手法を学びます。

時系列予測というと、統計モデルや機械学習、ディープラーニング、ベイズ統計モデリングなどさまざまな手法がありますが、本コースでは機械学習とディープラーニングをメインに扱います。あまり時系列予測は一般的ではないのかもしれませんが、ビジネスの場面においては時系列データはしばしば登場します。

最近は機械学習やディープラーニングの書籍などはたくさんあり、一般の方でもとっつきやすくなってきました。しかし、現場でどのように問題設定をして、どのように実践していけばよいかを書いてあるものは少ないように思います。

そのため、本コースでは各アルゴリズムの詳細や精度向上の細かいアプローチなどではなく、「現場で使えるような問題設定のしかた」や「どのような予測をすればよいか」などに焦点を当てます。そして、その上で時系列データの特徴や予測手法を学び、時系列予測ができるようになっていきましょう！

内容

• 時系列予測の基本

• 時系列データの特徴

• フーリエ変換

• 機械学習の基礎

• 機械学習による時系列予測

• ディープラーニングの基礎

• ディープラーニングによる時系列予測

• Prophetによる時系列予測

実行環境など

• Google Colaboratoryにおいて実行します

• ディープラーニングにはKerasを使います

受講対象の方

• Pythonを使えるようになって、初めて時系列予測に取り組みたい方

• 仕事で時系列予測をする必要がある方

注意事項

• 実行環境等エラーが起きにくいように配慮しますが、それでもエラーが出るなどしたら、まずは自分で検索して調べるなどしてください

• 個別のディープラーニングのアルゴリズムの詳細や、少しでも予測精度を上げるための方法などは話しません

• 時系列予測ですが自然言語処理（NLP）関連は扱いません

• 仕事でもバリバリ時系列予測に取り組んでいる方は対象外ですので、もし間違って購入してしまった場合はキャンセルをお願いします

1. 紹介
2. コース紹介
3. 本コースの注意点
4. コース準備レクチャー
5. 時系列分析の基礎
6. 時系列データの特徴
7. 移動平均
8. 基本統計量
9. 偏自己相関
10. ホワイトノイズ
11. 定常過程
12. 差分系列
13. 対数系列
14. フーリエ変換と時系列データの周期性
15. フーリエ変換について
16. フーリエ変換はいつ使う
17. 波形とフーリエ変換
18. 周期と周波数
19. フーリエ級数展開
20. フーリエ変換
21. 離散フーリエ変換
22. 周波数分解能
23. エイリアシング
24. 高速フーリエ変換（FFT）
25. 高速フーリエ変換のデモ①
26. 高速フーリエ変換のデモ②
27. 時系列予測の基礎知識
28. 現場で使える問題設定
29. 分類と数値予測
30. 予測したい変数の数
31. いつの予測をするか
32. 予測したい期間
33. 複数ステップ予測の方法
34. 複数系列の予測
35. 可能な予測手法とモデル
36. 特徴量作成
37. 時系列予測の手法
38. ハイパーパラメータ
39. 精度検証におけるデータの分け方
40. 数値予測における精度指標
41. ベースラインを作成して比較しよう
42. リークに注意する
43. （参考）機械学習を学ぶ前に
44. 機械学習は何ができるか
45. 教師あり学習・教師なし学習
46. 線形単回帰
47. 多項式回帰
48. 過学習
49. 機械学習による時系列予測の手法
50. 時系列予測における機械学習手法
51. 決定木
52. ランダムフォレスト
53. LightGBM
54. 機械学習による時系列予測の問題設定
55. 機械学習による時系列予測の実践
56. 実行環境とデータダウンロード
57. サンプルコードのダウンロード
58. Google Colaboratoryの使い方
59. データの読み込み
60. データのチェック①
61. データのチェック②
62. 目的変数・説明変数の作成①
63. 目的変数・説明変数の作成②
64. 訓練データ・テストデータの作成
65. 機械学習によるモデリングの準備
66. ランダムフォレストによる時系列予測
67. LightGBMによる時系列予測①
68. LightGBMによる時系列予測②
69. LightGBMのパラメータサーチと時系列予測①
70. LightGBMのパラメータサーチと時系列予測②
71. LightGBMのパラメータサーチと時系列予測③
72. LightGBMのパラメータサーチと時系列予測④
73. ディープラーニングの基礎知識
74. 時系列予測とディープラーニング
75. ニューラルネットワークの構成
76. 勾配降下法
77. 確率的勾配降下法
78. ミニバッチ学習
79. Epoch, Iteration
80. 逆誤差伝播法
81. 勾配消失とRELU
82. モデリングするときに
83. ディープラーニングによる時系列予測の手法
84. 時系列予測に使えるディープラーニング
85. 畳み込みニューラルネットワーク（CNN）
86. リカレントニューラルネットワーク（RNN）
87. LSTM
88. 時系列分類予測
89. ディープラーニングによる時系列予測の実践
90. ディープラーニング用のデータ作成①
91. ディープラーニング用のデータ作成②
92. ディープラーニング用のデータ作成③
93. ディープラーニング用のデータ作成④
94. 1次元CNNによる時系列予測①
95. 1次元CNNによる時系列予測②
96. 1次元CNNによる時系列予測③
97. LSTMによる時系列予測
98. Prophetによる時系列予測と実践
99. Prophetの簡単な説明
100. Prophetによる時系列予測①
101. Prophetによる時系列予測②
102. Prophetによる時系列予測③
103. ボーナスレクチャー
104. ボーナス